Huber鲁棒损失函数
时间: 2023-12-25 18:26:33 浏览: 134
Huber鲁棒损失函数是一种使用鲁棒性回归的损失函数,相比于均方误差来说,它对异常值不敏感。在统计学习角度,它常常被用于分类问题上。Huber损失函数的定义是:对于小的a值误差函数是二次的,而对大的值误差函数是线性的。变量a表述residuals,用以描述观察值与预测值之差。Huber损失函数将平方损失和绝对值损失结合起来,既有均值无偏的敏感性,又有均值的最小变化估计器和无偏中值估计器的鲁棒性。在分类问题上,常常使用Huber损失函数的变形——modified Huber损失函数。
相关问题
huber损失函数图像
Huber损失函数是一种平滑的损失函数,它在回归问题中比均方误差(MSE)更加鲁棒。它的公式如下:
$$
L_{\delta}(y, \hat{y})=\begin{cases}
\frac{1}{2}(y-\hat{y})^{2} & \text { if } |y-\hat{y}| \leq \delta \\
\delta \cdot|y-\hat{y}|-\frac{1}{2} \delta^{2} & \text { otherwise }
\end{cases}
$$
其中,$y$是实际值,$\hat{y}$是预测值,$\delta$是Huber损失函数的超参数,用于控制损失函数的平滑程度。
下面是当$\delta=1$时,Huber损失函数的图像,可以看到它在$|y-\hat{y}|\leq1$时,使用平方误差,此时它是一个二次函数;在$|y-\hat{y}|>1$时,使用绝对误差,此时它是一个斜率为$\delta$的直线。
![Huber Loss](https://img-blog.csdnimg.cn/20220121165200532.png)
huber损失函数是什么
Huber损失函数是一种用于回归问题的损失函数,它可以对异常值(outliers)具有一定程度的鲁棒性。与均方误差(MSE)和平均绝对误差(MAE)相比,Huber损失函数在处理较小的误差时具有MAE的优点,在处理较大的误差时具有MSE的优点。它的数学表达式如下:
$$
L_{\delta}(y,f(x))=\begin{cases}
\frac{1}{2}(y-f(x))^2, & |y-f(x)| \leq \delta \\
\delta(|y-f(x)|-\frac{1}{2}\delta), & |y-f(x)| > \delta
\end{cases}
$$
其中,$y$是真实值,$f(x)$是模型的预测值,$\delta$是一个超参数,表示当$|y-f(x)|$小于等于$\delta$时,使用平方误差;当$|y-f(x)|$大于$\delta$时,使用绝对误差。
阅读全文